HASIL DAN PEMBAHASAN. Nama dan deskripsi atribut tabel tempfact_indeksprestasi

Transkripsi

1 Uji Query Tahap ini dilakukan setelah pembuatan data warehouse selesai. Pengujian ini dilakukan untuk melihat apakah operasi dasar OLAP berhasil diimplementasikan dan sesuai dengan informasi yang ditampilkan. Pengujian dilakukan dengan memvisualisasikan kubus data dengan grafik dan tabel jpivot. Secara singkat metode penelitian dapat dilihat pada Gambar 8. agregasi dan tempat penyimpanan struktur dan data kubus data multidimensi) Schema Workbench (tempat pembuatan / pemodelan struktur kubus data dan proses pemuatan data dari data warehouse ke kubus data) Web Server Apache Tomcat Web browser Mozilla Firefox HASIL DAN PEMBAHASAN Analisis Data Pada penelitian ini, sumber data diperoleh dengan format.csv. Proses analisis dilakukan terhadap data untuk mengevaluasi atributatribut untuk membangun data warehouse. Data yang digunakan antara lain : tiga tabel fakta (tempfact_indeksprestasi, tempfact_mkmutu, dan tempfact_minor) pada Tabel 1, Tabel 2, dan Tabel 3 serta tujuh tabel dimensi (waktu, angkatan, minor, matakuliah, mutu, statusstudi, dan jeniskelamin). Fakta terdiri atas foreign key dari tabel dimensi ukuran : jumlah, rataan ip, rataan ipk, dan sebaran minor. Gambar 8 Metode penelitian. Lingkungan Pengembangan Aplikasi dibangun dengan menggunakan perangkat sebagai berikut: Perangkat keras berupa komputer personal dengan spesifikasi: Prosesor Intel(R) Core(TM) 2 Duo (2 CPUs) GHz Memori 4 GB RAM Harddisk 160 GB Monitor 13.1 dengan resolusi pixel Mouse dan Keyboard Perangkat lunak: Sistem Operasi Linux Ubuntu Desktop PostgreSQL (perangkat lunak DBMS untuk pemrosesan data dan pembuatan skema data warehouse) Mondrian Server (berfungsi sebagai OLAP server yang melakukan fungsi Tabel 1 kode_statusstudi ip ipk Tabel 2 tempfact_indeksprestasi Kode sebagai penciri tiap Kode yang menunjukkan status studi berdasarkan IPK yang diperoleh tiap Nilai IP per Nilai IPK tempfact_mkmutu Kode sebagai penciri tiap 5

2 kode_mk mutu Tabel 3 kode_minor Kode mata kuliah yang diambil Huruf mutu tempfact_minor Kode sebagai penciri tiap Kode minor dari tiap-tiap departemen Selanjutnya dibuat skema model data multidimensi untuk data warehouse yang berasal dari skema Gambar 9 hingga menghasilkan skema baru yaitu skema pada Gambar 10. Namun sebelum data dibuat skemanya, tabel fakta tempfact_indeksprestasi dan tempfact_minor dilakukan penggabungan data dengan atribut kode_minor sehingga menjadi tabel fakta yang baru yaitu tempfact_ip, terlihat pada Tabel 4. Tabel 4 kode_statusstudi kode_minor Ip Ipk tempfact_ip Kode sebagai penciri tiap Kode yang menunjukkan status studi berdasarkan IPK yang diperoleh tiap Kode minor dari tiap-tiap departemen Nilai IP per Nilai IPK Pemuatan Data Data warehouse yang sudah dibuat selesai dibuat, selanjutnya dimasukkan ke kubus data OLAP server Mondrian. Kemudian, skema data warehouse dimodelkan dengan menentukan dimensi-dimensi, elemen-elemen dari dimensi, ukuran-ukuran, dan kubus data. Kubus data yang dibuat yaitu, kubus mata kuliah mutu dan kubus indeks prestasi. Kubus data mata kuliah mutu dibuat untuk tabel fakta tempfact_mkmutu. Kubus data indeks prestasi dibuat untuk tabel fakta tempfact_ip. Ukuran pada struktur Mondrian dimasukkan dalam struktur dimensi tabel fakta yang tidak mempunyai id_key. Nama dan deskripsi dari kubus data dapat dilihat pada Tabel 5 dan Tabel 6. Tabel 5 Nama Dimensi Nama dan deskripsi dimensi dari kubus mata kuliah mutu waktu Tahun akademik dan jenis kelamin angkatan mata kuliah mutu ukuran kuliah mutu Tabel 6 mata Nama Dimensi Jenis kelamin Angkatan masuk IPB Mata kuliah Nilai mutu Nama-nama ukuran (jumlah ) Nama dan deskripsi dimensi dari kubus indeks prestasi waktu Tahun akademik dan jenis kelamin angkatan status studi Jenis kelamin Angkatan masuk IPB Status studi minor Status studi minor ukuran prestasi indeks Nama-nama ukuran (jumlah, rataan ip, rataan ipk, jumlah yang mengambil minor tertentu) 6

3 Gambar 9 Skema galaksi dengan tiga tabel fakta (Sulistyaningsih 2010). Gambar 10 Skema galaksi dengan dua tabel fakta. 7

4 Eksplorasi dan Presentasi Hasil Hasil penelitian ini ditunjukkan pada Lampiran 1 berupa tampilan awal web yang berisi penjelasan penelitian data warehouse. Lampiran 2 yang menjelaskan tentang Ilmu Komputer di IPB. Lampiran 3 menampilkan OLAP indeks prestasi berdasarkan mutu, serta Lampiran 4 OLAP indeks prestasi berdasarkan status studi. Penelitian ini menggunakan sistem operasi Linux yaitu Ubuntu dan eksplorasi data yang dilakukan dengan operasi OLAP untuk menghasilkan beberapa informasi yang diinginkan. Dalam hal ini operasi OLAP untuk kubus indeks prestasi. 1. Pengoperasian Data Warehouse di Linux Perbedaan instalasi Langkah instalasi data warehouse pada Linux lebih sering menggunakan CLI (Command Line Interface) yang lebih dikenal dengan nama Terminal. Contoh : Perintah untuk update paket instalasi java jdk dan jre > sudo apt-get install sun-java6-jdk sun-java6-jre Cara instalasi di Windows dengan menggunakan file.exe yang hanya mengikuti langkah-langkah yang sudah dalam bentuk GUI (Graphic User Interface). Cara menjalankan dan akses file Pada saat pemuatan data file.csv yang dilakukan dalam postgresql file folder yang akan digunakan untuk pemuatan data harus memiliki ijin akses folder sehingga harus dikonversi dengan perintah chmod. Setelah data dapat dimuat dalam postgresql, maka dibuat desain kubus data menggunakan skema workbench. Kemudian data kubus dapat direpresentasikan ke Mondrian. Berikut adalah cara menjalankan skema workbench dan Mondrian dalam paket Pentaho. > sudo sh workbench.sh > sudo sh start-pentaho.sh Pada Windows, cara menjalankan Mondrian yaitu dengan start-pentaho.bat pada folder Pentaho yang telah diinstal. Perbandingan Operasi data Dengan operasi drill down (Lampiran 5) data yang dapat ditampilkan yaitu nilai rataan IP, IPK, sebaran minor, dan jumlah berdasarkan status studi. Tidak hanya itu, untuk operasi slice (Lampiran 6) data juga dapat menampilkan nilai rataan IP, IPK, sebaran minor, dan jumlah berdasarkan status studi, minor yang diambil, dan angkatan. Pada aplikasi di Windows, operasi drill down yang dapat ditampilkan (Lampiran 7) yaitu nilai rataan IP, IPK, dan jumlah berdasarkan status studi. Jadi data warehouse tidak dapat menampilkan nilai sebaran minornya. Selain itu untuk operasi slice (Lampiran 8) data yang dapat ditampilkan adalah nilai rataan IP, IPK, dan jumlah berdasarkan status studi dan angkatan. 2. Kubus Indeks Prestasi Pada kubus ini dapat dilihat beberapa operasi OLAP misalnya operasi drill down pada rataan IP, IPK, dan sebaran minor pada tiap mata kuliah minor. (Lampiran 9) merupakan tabel hasil operasi drill down pada rataan IP, IPK, dan sebaran minor pada tiap mata kuliah minor. Lampiran 9 menunjukkan rata-rata IP, IPK, dan sebaran minor pada tiap mata kuliah minor dengan status studi tanpa syarat. Ratarata IP dan IPK tersebut dihitung berdasarkan yang telah dilalui dan minor yang diambil. Tidak hanya itu, terdapat beberapa fakta menarik pula berdasarkan jumlah sebaran minor yaitu pada minor Riset Operasi untuk IPK lebih dari 3,51 peminatnya dari tahun ke tahun tetap, kecuali pada tahun Dengan demikian minor yang diambil oleh yang memiliki nilai IPK lebih dari 3,51 yaitu Riset Operasi dengan nilai rataan IP dan IPK tertinggi pada tahun

5 Salah satu faktor yang menyebabkan nilai rataan IP dan IPK tahun 2008 tinggi adalah hanya satu yang mengambil minor pada status studi untuk rataan IPK lebih dari 3,51. Penurunan jumlah yang memiliki nilai rataan IPK lebih dari 3,51 pada tahun 2008 sepatutnya mendapat perhatian dari departemen untuk meningkatkan potensi dan semangat sejak awal perkuliahan. Untuk IPK antara 2,76 sampai dengan 3,51, minor yang paling banyak diambil adalah Manajemen Fungsional, Riset Operasi, dan SC. Manajemen Fungsional sendiri peminatnya tetap dari tahun ke tahun, sedangkan untuk Riset Operasi dan SC menurun. Rataan nilai IP dan IPK tertinggi pada status studi IPK antara 2,76 sampai dengan 3,51 adalah Perkembangan Anak pada tahun 2005 dan Statistika Industri pada tahun Untuk minor pada nilai IPK antara 2,00 sampai dengan 2,76 yaitu SC yang mengalami peningkatan pada tahun Dengan nilai rataan IP tertinggi diperoleh minor Riset Operasi dan rataan IPK tertinggi adalah Manajemen Industri. Dari beberapa analisis di atas dapat disimpulkan bahwa beberapa minor favorit pilihan berdasarkan jumlah sebaran dengan rataan nilai IPK dari 2,00 sampai 3,51 adalah SC, Manajemen Fungsional, dan Riset Operasi. Hal ini dapat diasumsikan bahwa dengan mengambil minor Riset Operasi nilai yang didapat akan tinggi, dengan banyaknya pandai (IPK lebih dari 3,51) yang mengambil mata kuliah ini (Gambar 11). Gambar 11 Minor Favorit Chart. Selain itu, kubus ini juga dapat menunjukkan informasi tentang rataan IP dan IPK berdasarkan jenis kelamin, mayor, maupun TPB. KESIMPULAN DAN SARAN Kesimpulan Hasil penelitian menyimpulkan bahwa, pembangunan data warehouse dan OLAP berbasis web data akademik Ilmu Komputer menghasilkan dua kubus data, yaitu kubus data mata kuliah mutu dan indeks prestasi. Dua kubus data tersebut dapat divisualisasikan dalam tiga jenis tampilan, yaitu tampilan grafik batang, grafik garis dan pie chart dengan menggunakan OLAP Mondrian Selain itu kubus data juga dapat dicetak dalam bentuk pdf dan excel. Operasi OLAP yang dilakukan pada kubus data ini adalah roll-up (misalnya mencari pola sebaran perkembangan huruf mutu mata kuliah mayor, interdepartemen, pilihan, dan elektif pada setiap angkatan.), drill-down (Rataan IP dan Rataan IPK berdasarkan jenis kelamin, minor dan tahun akademik), dice (misalnya untuk melihat jumlah yang mengambil minor riset operasi), dan slice (jumlah yang drop out tiap angkatan berdasarkan jenis kelamin). Hasil dari penelitian ini dapat memberikan manfaat bagi Departemen Ilmu Komputer dalam mempermudah analisis data akademik ukuran besar sehingga dapat membantu dalam pengaksesan data tersebut, penyampaian informasi, pembuatan laporan dan pembuatan keputusan yang lebih baik. Saran Saran untuk penelitian data warehousing dan OLAP selanjutnya adalah: 1. membangun modul program untuk pemasukan data baru yang nantinya diintegrasikan ke dalam aplikasi OLAP. 2. menambah ukuran lama studi agar dapat diketahui rata-rata lama studi pada kurikulum mayor-minor. DAFTAR PUSTAKA Malinowski E, Zim anyi E Advanced Data Warehouse Design. Heidelberg: Springer. Bouman R, Dongen J.V Pentaho Solution. Canada: Wiley. 9